YOLC 来袭 | 遥遥领先 ！YOLO与CenterNet思想火花碰撞，让小目标的检测性能原地起飞，落地价值极大 !

文章预览

前言   从空中图像中检测物体由于以下因素而面临重大挑战：1.  空中图像通常具有非常大的尺寸，一般有数百万甚至数亿像素，而计算资源是有限的； 2.   小物体尺寸导致有效检测信息不足；3.  不均匀的物体分布导致计算资源的浪费。 为了解决这些问题，作者提出了YOLC（You Only Look Clusters），这是一个高效且有效的框架， 建立在 Anchor-Free 点目标检测器CenterNet之上 。 为了克服大规模图像和不均匀物体分布带来的挑战，作者引入了一个局部尺度模块（LSM），该模块自适应搜索聚类区域进行放大以实现精确检测。 此外，作者使用高斯Wasserstein距离（GWD）修改回归损失，以获得高质量的边界框。 在检测Head中采用了可变形卷积和细化方法，以增强小物体的检测。 作者在两个空中图像数据集上进行了大量实验，包括Visdrone2019和UAVDT，以证明YOLC的有效性 ………………………………